[发明专利]基于特征筛选的锂电池寿命预测方法有效
申请号: | 202010579479.4 | 申请日: | 2020-06-23 |
公开(公告)号: | CN111832221B | 公开(公告)日: | 2023-09-26 |
发明(设计)人: | 袁烨;马贵君;华丰;丁汉 | 申请(专利权)人: | 华中科技大学无锡研究院 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F18/2113;G06F18/214;G06F18/27;G01R31/36;G01R31/367;G01R31/387;G01R31/392;G06F119/04 |
代理公司: | 无锡市大为专利商标事务所(普通合伙) 32104 | 代理人: | 曹祖良;屠志力 |
地址: | 214174 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 特征 筛选 锂电池 寿命 预测 方法 | ||
1.一种基于特征筛选的锂电池寿命预测方法,其特征在于,包括以下步骤:
步骤S1,将采集的锂电池数据划分为训练集和测试集;训练集和测试集中均包括多个样本;
步骤S2,对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减;m>20;
步骤S3,将每个锂电池的SOC相减结果求得方差,得到每个锂电池的特征;
步骤S4,将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练;
步骤S5,将所述训练的模型的稀疏特征权重进行可视化;
步骤S6,将测试集中的样本的特征输入到训练模型中进行寿命预测;
步骤S2中,SOC的维度为500~1000;
步骤S3中,特征维度为训练集中k个训练样本的方差特征和寿命分别表示为Xtrain=[x1,x2,...,xk],Ytrain=[y1,y2,...,yk],其中第i个训练样本的特征xi表示为:
xi=[xi1,xi2,...,xiM]T;
步骤S4包括:
步骤S4.1,高斯过程回归指有限个随机变量服从联合高斯分布f(x),其中第i个样本的寿命分布表示为:
其中xi和xj是任意两个锂电池样本,m(xi)是均值函数,k(xi,xj)是协方差函数,具体表示为:
m(xi)=E(f(xi))
k(xi,xj)=E[(m(xi)-f(xi))(m(xj)-f(xj))]
步骤SS4.2,设置m(xi)为0,k(xi,xj)选用Matérn(v=5/2)核函数,带有ARD功能的Matérn核函数具体表示为:
其中lp为第p个特征的长度表示,σc是一个超参数;
步骤S4.3,对于真实的应用场景,真实的寿命yi是预测寿命与高斯噪声εi的和:
即所有样本服从:
其中K(Xtrain,Xtrain)=k(xi,xj)k×k,IN为单位矩阵,经过训练与极大似然估计,得到参数[σc,lp,σn]值;
步骤S5包括:
步骤S5.1,特征权重计算公式如下:
步骤5.2,将所有特征权重进行最大最小归一化;
步骤S6包括:
步骤S6.1,得到训练样本和测试样本的联合分布:
其中Y*为测试集中测试样本的寿命,X*为测试样本的特征;
步骤S6.2,测试样本的寿命Y*的后验分布:
其中是预测的测试样本的寿命的均值;
是预测的协方差:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中科技大学无锡研究院,未经华中科技大学无锡研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010579479.4/1.html,转载请声明来源钻瓜专利网。